一、類定義：
OrdinaryKriging（x,y,z,variogram_model, variogram_model, variogram_parameters, variogram_function, nlags, weight, anisotropy_scaling, anisotropy_angle, verbose, enable_plotting, enable_statistics, coordinates_type)
參數說明：
x,y,z：座標x,y，以及數值（z)
variogram_model（方差模型）：7個可選值，包括linear, power, gaussian, spherical, exponential, hole-effect，以及custom
缺省是linear，如選用custom則需提供方差模型的參數以及函數。提醒的是hole-effect模型僅僅在針對一維問題上，存在技術的正確性。
variogram_parameters（方差模型參數）：可選，list或dict類型，由所選模型決定，不提供的話則採用“軟”（soft）L1範式最小化方案。
採用dict（字典）形式，參數如下：
linear - {'slope': slope, 'nugget': nugget}
power - {'scale': scale, 'exponent': exponent, 'nugget': nugget}
gaussian - {'sill': s, 'range': r, 'nugget': n} / {'psill': p, 'range': r, 'nugget':n}
spherical - {'sill': s, 'range': r, 'nugget': n} / {'psill': p, 'range': r, 'nugget':n}
exponential - {'sill': s, 'range': r, 'nugget': n} / {'psill': p, 'range': r, 'nugget':n}
hole-effect - {'sill': s, 'range': r, 'nugget': n} / {'psill': p, 'range': r, 'nugget':n}
基臺值(Sill):代表變量在空間上的總變異性大小，psill = sill - nugget，所以有兩種參數字典方式可選
採用list（列表）形式，參數如下：
linear - [slope, nugget]
power - [scale, exponent, nugget]
gaussian - [sill, range, nugget]
spherical - [sill, range, nugget]
exponential - [sill, range, nugget]
hole-effect - [sill, range, nugget]
列表形式，只能採用sill，不用使用psill值
模型選擇 custom（定製），方差參數選項是必須提供，因爲方差模型不會自動適應數據，而且參數必須以特定的list（列表）格式提供，按照回調函數（callable function）裏使用的順序提供。
代碼不會檢查列表中是否提供了合適數量的參數，所以如參數不正確，可能會觸發一個難以理解的異常信息。值得注意的是，雖然列表格式期待的參數是全基臺值（sill），代碼內部使用的是部分基臺值（psill）
variogram_function :定製（custom）類型方差模型必須提供此參數，兩個參數，一是方差模型列表參數，二是計算方差模型的距離值，前述參數會傳遞過來。
nlags : int，可選，對於半方差模型的平均箱數（bins），缺省值爲6
weight ：bool, 可選，標誌半方差的小滯（smaller lags）是否比自動計算方差模型權重更大，常規是權重由邏輯函數計算而來，所以小滯的權重設爲1，長滯的權重設爲0，邏輯權重的中心設爲小滯到大滯距離的70%數值。本參數設爲True，意味權重需要考慮，缺省爲False。(Kitanidis建議小滯的值在適應方差模型時更重要，所以保留此選項以便於設置權重）
anisotropy_scaling : float, 可選，大面拉伸值，在考慮各向異性時有用，缺省 1（意味沒有拉伸），指在旋轉數據幀的 y 方向拉伸比例（如果anisotropy_angle !=0時），此參數在coordinate_types值設爲'geographic'時無效。
anisotropy_angle : float, 可選，逆時針角度（單位：弧度），在考慮各向異性時，旋轉座標系統的角度值，同上對於coordinate_types值設爲'geographic'時無效。
verbose : bool, 可選，設置監測克里金過程文字是否輸出，缺省False。
enable_plotting : bool, 可選，結果是否繪圖輸出，缺省False。
enable_statistics : bool, 可選，缺省False。
coordinates_type : str, 可選，'euclidean' / 'geographic'. 前者平面座標系，後者球面座標系，球面座標系，x爲lon，y爲lat，lon值爲 [0, 360]，lat爲 [-90, 90]，缺省：'euclidean'.
二、核心方法
execute(self, style, xpoints, ypoints, mask=None, backend='vectorized', n_closest_points = None):
當前確保提供值在結果中屬於無誤差的，爲確切值，未來會允許存在誤差
1、輸入參數：
style : str，定義如何處理後面的輸入點參數，定義爲'grid'，則處理xpoints，ypoints爲一個矩形網格的x、y座標值列表，定義爲'point‘，則處理爲座標對的列表值。定義爲’masked‘，則處理xpoints，ypoints爲矩形網格的x、y座標，且採用掩膜（mask）評估特定的點值
xpoints : 矩陣數組
ypoints : 矩陣數組，如果style 類型爲'points'，xpoints，ypoints需有相同的維數
mask : 掩膜矩陣，bool, 維度與xpoints,ypoints相對應，定義哪些網格點數據被排他計算
backend : str, 可選，定義克里計算方法。’vectorized'，向量運算法，速度更快，消耗內存更大，適用於大網格點或大數據量；'loop' 循環計算法，速度慢，消耗內存少。Cpython將使用loop，缺省是'vectorized'.
n_closest_points : int, 可選，對於移窗法計算時，確定計算採用臨近點的數量，可加快計算速度（對於大數據量）。但是Kitanidis 提醒，移窗法可能產生不可預期的異常值，如果方差模型沒選擇好的話
2、返回值：
zvalues : ndarray
sigmasq : ndarray
三、範例
import numpy as np
import pykrige.kriging_tools as kt
from pykrige.ok import OrdinaryKriging
data = np.array([[0.3, 1.2, 0.47],
[1.9, 0.6, 0.56],
[1.1, 3.2, 0.74],
[3.3, 4.4, 1.47],
[4.7, 3.8, 1.74]])
gridx = np.arange(0.0, 5.5, 0.5)
gridy = np.arange(0.0, 5.5, 0.5)
# Create the ordinary kriging object. Required inputs are the X-coordinates of
# the data points, the Y-coordinates of the data points, and the Z-values of the
# data points. If no variogram model is specified, defaults to a linear variogram
# model. If no variogram model parameters are specified, then the code automatically
# calculates the parameters by fitting the variogram model to the binned
# experimental semivariogram. The verbose kwarg controls code talk-back, and
# the enable_plotting kwarg controls the display of the semivariogram.
OK = OrdinaryKriging(data[:, 0], data[:, 1], data[:, 2], variogram_model='linear',
verbose=False, enable_plotting=True)
# Creates the kriged grid and the variance grid. Allows for kriging on a rectangular
# grid of points, on a masked rectangular grid of points, or with arbitrary points.
# (See OrdinaryKriging.__doc__ for more information.)
z, ss = OK.execute('grid', gridx, gridy)
# Writes the kriged grid to an ASCII grid file.
kt.write_asc_grid(gridx, gridy, z, filename="output.asc")